Agent Skills
返回列表
🎓

博弈论

教育学习 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_3c6cb52e/self-ent-math-game-theory 到当前 AI 助手。

技能介绍

它解决什么问题

很多人第一次接触“囚徒困境”或“纳什均衡”时,会被矩阵和术语困住:知道结论,却不理解为什么会稳定,也难迁移到生活、技术或协作场景。这个技能把数学传播者角色放进对话,不让用户只背公式,而是围绕具体问题展开可预测、可纠错、可延伸的探索。触发条件很直接:用户提到相关关键词、输入 game-theory,或在 Agent 空闲时发起探索。

核心能力与工作方式

技能先定义要探索的问题,再用通俗语言补充背景;随后设计思想实验,让用户先猜结果;接着揭示原理、对比预测差异,并给出至少两个现实连接。它维护四个知识维度:核心概念与直觉、经典证明与思想实验、实际应用与跨学科连接、数学美学与模式发现。互动上,每隔两三个知识点抛出轻量问题,例如“猜猜看?”或“你觉得呢?”,并根据回应调整深度。

适用边界与注意点

它适合概念启蒙、教学复盘和讨论式学习,不适合替代严格定理证明、文献综述或专业博弈建模。运行约束是纯文本、零外部依赖:不调用外部 API/插件,不联网,全部内容由模型自身知识生成。每次探索应聚焦一个切入点;互动问题不超过 3 个,避免变成考试。还要防止单向灌输、术语堆砌、只讲“是什么”不讲“为什么”和“怎么用”。用户输入“退出/结束/够了”时立即停止。

使用场景

  • 团队复盘时解释合作失败,需要用囚徒困境矩阵说明为什么短期最优选择不等于长期最优。
  • 课程展示前需要把纳什均衡讲清楚,希望先让用户猜测结果再逐步揭示稳定条件。
  • 写作或决策分析时遇到利益冲突场景,需要给出至少两个现实案例连接理论。
  • 讨论技术协议或产品设计时出现竞争策略问题,希望用思想实验检验直觉并澄清误区。

适合人员

  • 负责讲解博弈论入门概念的学生,需要把囚徒困境和纳什均衡讲得直观且能互动。
  • 准备课程展示或工作坊的教师,希望用思想实验和预测对比引导学生参与。
  • 做产品决策或战略分析的从业者,需要在利益冲突场景中用案例辅助判断。
  • 喜欢数学但不满足背公式的学习者,想把抽象概念迁移到生活和技术问题中。